發(fā)布時(shí)間：2024-12-27 05:00

　　 針對(duì)電網(wǎng)海量大數(shù)據(jù)中存在異常的電表數(shù)據(jù),提出了一種基于深度信念網(wǎng)絡(luò)的計(jì)量裝置故障溯源模型。首先,分析了深度信念網(wǎng)絡(luò)(DBN)模型基本原理,提出了一種智能電表故障分類DBN結(jié)構(gòu)模型,并給出了計(jì)量裝置故障溯源建模流程;然后,通過建立離線臺(tái)賬樣本庫、實(shí)時(shí)用電曲線故障特征樣本庫,實(shí)現(xiàn)了計(jì)量裝置故障樣本庫構(gòu)建;最后,基于實(shí)際電表測試和數(shù)據(jù)異常識(shí)別,完成了計(jì)量裝置的臺(tái)賬樣本庫溯源測試,并與已有的貝葉斯、決策樹、隨機(jī)森林、決策樹提升等分類算法進(jìn)行比較,測試結(jié)果驗(yàn)證了所提模型和方法的正確性和有效性。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1 DBN網(wǎng)絡(luò)結(jié)構(gòu)模型

RBM是一種基于能量的模型，對(duì)于狀態(tài)（v,h）確定的RBM系統(tǒng)所具有的能量可表示為：式中：θ=（wij,ai,bj）為RBM參數(shù)；n,m分別為可見層與隱含層神經(jīng)元數(shù)量；v為可見層輸入，其表示異常電表的臺(tái)賬信息和電流功率特征等輸入；vi為可見層神經(jīng)元i的狀態(tài)，設(shè)定其偏置值為ai;h....

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

典型特征提取卷積神經(jīng)網(wǎng)絡(luò)如圖2所示，其包含3層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層，卷積層和輸出層[23]。其特征選取步驟如下：

圖3 卷積網(wǎng)絡(luò)提取的特征結(jié)果

通過卷積神經(jīng)網(wǎng)絡(luò)提取故障電表故障前的電流和功率特征，集中為兩種類型，如圖3所示的兩類特征簇。其中一類簇在序列首段集中為負(fù)值，另一類在序列首段為較大的正值，提取出的兩類特征簇為電表發(fā)生故障前的電流、功率特征。將故障電表的電流特征與功率特征分別歸結(jié)為兩類，構(gòu)建用電曲線故障特征樣本庫。....

本文編號(hào)：4021171